KR102311805B1 - 딥러닝 기반 차량 및 인체 자동 감지용 영상 모니터링 방법 및 이를 이용한 데이터 전송 방법 - Google Patents
딥러닝 기반 차량 및 인체 자동 감지용 영상 모니터링 방법 및 이를 이용한 데이터 전송 방법 Download PDFInfo
- Publication number
- KR102311805B1 KR102311805B1 KR1020200034087A KR20200034087A KR102311805B1 KR 102311805 B1 KR102311805 B1 KR 102311805B1 KR 1020200034087 A KR1020200034087 A KR 1020200034087A KR 20200034087 A KR20200034087 A KR 20200034087A KR 102311805 B1 KR102311805 B1 KR 102311805B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- performance
- learning model
- image analysis
- vehicle
- Prior art date
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 238000013135 deep learning Methods 0.000 title claims abstract description 9
- 230000005540 biological transmission Effects 0.000 title 1
- 238000010191 image analysis Methods 0.000 claims abstract description 97
- 238000004891 communication Methods 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims description 14
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract description 11
- 238000012806 monitoring device Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005336 cracking Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- G06K9/20—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
딥러닝 기반 차량 및 인체 자동 감지용 영상 모니터링 시스템 및 이를 이용한 영상 모니터링 방법이 개시된다. 본 발명의 일 실시예에 따른 영상 모니터링 시스템은, 특정 영역에 대한 영상 데이터를 수집하는 영상 수집부; 영상 데이터를 기반으로 특정 영역에서 차량 또는 사람을 감지하고, 감지 결과를 텍스트 데이터로 변환하는 영상 분석부; 및 텍스트 데이터를 별도로 마련되는 영상 모니터링 서버에 전달하는 제1 통신부;를 포함한다. 이에 의해, 영상 데이터를 수집하기 위해 카메라와 같은 영상 수집 수단이 영상을 분석하고, 분석 결과를 텍스트화하여 서버에 전달함으로써, 통신망의 대역폭을 절감시킬 수 있으며, 영상 저장을 위한 스토리지의 낭비를 방지할 수 있다. 또한, 영상 수집 수단이 이용하는 영상 분석 학습 모델의 성능 검증을 주기적으로 수행하고, 성능이 임계치 미만인 경우, 새로운 영상 분석 학습 모델로 대체함으로써, 영상 수집 수단의 영상 분석 성능이 안정적으로 유지되도록 할 수 있다.
Description
본 발명은 영상 모니터링 시스템 및 방법에 관한 것으로, 보다 상세하게는 딥러닝 기반 차량 및 인체 자동 감지용 영상 모니터링 시스템 및 이를 이용한 영상 모니터링 방법에 관한 것이다.
도로에는 다양한 카메라가 설치되어 운용되고 있다. 가장 흔하게 볼 수 있는 과속카메라부터 교차로 신호위반 단속카메라, 이동식카메라, 주정차 금지구역단속카메라, 버스전용 차선 단속카메라, 그리고 일부 구간에 있는 가변 차로 위반 감시 카메라 교통량 측정카메라, 시골길에서 주로 볼 수 있는 방범용 카메라 등 다수의 CCTV가 운용되고 있다.
일반적으로 과속카메라는 속도위반 차량만을 단속하기 위한 정지화상 카메라로 구성되며, 구간별 도로의 차량 소통량을 감시하기 위한 감시카메라 교통량 측정카메라는 동영상 녹화 카메라로 구성되고, 유료 도로를 주행하는 차량에 관해 통행요금을 징수하거나 방법용으로 주차장, 도로 및 상점을 실시간 모니터링하기 위한 카메라로는 CCTV(Closed-Circuit Television)가 설치 구성된다.
이러한 도로 상의 다양한 카메라들은 도로를 통행하는 차량 및 도로상황을 영상으로 기록저장하기 위해 촬영된 영상들을 Ethernet 망 등을 이용하여 서버에 전달하고, 영상 분석 서버에 영상에 대한 영상 처리를 수행하여, 촬영된 영역 내에서 차량 또는 사람을 감지하고 차량의 과속, 신호위반, 주정차 위반, 버스전용 차선 위반 여부 등을 판단하게 된다.
이에, 기존의 영상 분석 서버는 영상을 수신하여 분석하기 위해, 큰 대역폭의 통신망과 영상 저장을 위한 스토리지가 필요하다는 문제점이 존재한다.
본 발명은 상기와 같은 문제를 해결하기 위해 안출된 것으로, 본 발명의 목적은, 영상 데이터를 수집하기 위해 카메라와 같은 영상 수집 수단이 영상을 분석하고, 분석 결과를 텍스트화하여 서버에 전달하는 딥러닝 기반 차량 및 인체 자동 감지용 영상 모니터링 시스템 및 이를 이용한 영상 모니터링 방법을 제공함에 있다.
본 발명의 다른 목적은, 영상 수집 수단의 영상 분석 성능이 안정적으로 유지되도록, 영상 수집 수단이 이용하는 영상 분석 학습 모델의 성능 검증을 주기적으로 수행하고, 성능이 임계치 미만인 경우, 새로운 영상 분석 학습 모델로 대체할 수 있는 딥러닝 기반 차량 및 인체 자동 감지용 영상 모니터링 시스템 및 이를 이용한 영상 모니터링 방법을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 영상 모니터링 시스템은, 특정 영역에 대한 영상 데이터를 수집하는 영상 수집부; 영상 데이터를 기반으로 특정 영역에서 차량 또는 사람을 감지하고, 감지 결과를 텍스트 데이터로 변환하는 영상 분석부; 및 텍스트 데이터를 별도로 마련되는 영상 모니터링 서버에 전달하는 제1 통신부;를 포함한다.
그리고 제1 통신부는, IoT 통신을 위하여, 로라(LoRa) 통신모듈이 구비된다.
또한, 영상 분석부는, 영상 데이터가 입력되면, 딥러닝을 기반으로 학습된 영상 분석 학습 모델을 이용하여 차량 또는 사람을 감지할 수 있다.
그리고 본 실시예에 따른 영상 모니터링 시스템은, 영상 모니터링 서버의 요청 시, 영상 데이터를 전달하는 영상 모니터링 서버에 전달하는 제2 통신부;를 더 포함할 수 있다.
또한, 영상 분석부는, 제2 통신부를 통해 영상 모니터링 서버로부터 표준 영상 데이터를 수신하고, 수신된 표준 영상 데이터를 이용하여 학습된 영상 분석 학습 모델의 성능을 검증할 수 있다.
그리고 영상 분석부는, 표준 영상 데이터를 이용하여 검증된 영상 분석 학습 모델의 성능이 임계치 미만인 경우, 성능이 임계치 미만인 영상 분석 학습 모델을 폐기하고, 영상 모니터링 서버로부터 새로운 영상 분석 학습 모델을 수신할 수 있다.
또한, 영상 모니터링 서버는, 복수의 영상 분석 학습 모델을 학습시킨 후, 기설정된 항목별 성능을 비교하여, 항목별로 성능이 가장 높은 영상 분석 학습 모델을 분리하여 저장하고, 기설정된 항목별 성능은, 유동량 분석 성능, 차량 속도 산출 성능, 차량 밀집도 산출 성능 및 차량 종류 분류 성능 중 적어도 둘 이상이 포함될 수 있다.
그리고 영상 모니터링 서버는, 표준 영상 데이터를 이용하여 검증된 영상 분석 학습 모델의 성능이 임계치 미만인 영상 분석부에 성능이 가장 높은 영상 분석 학습 모델을 전달하되, 영상 분석부가 설치된 영역의 지리적 특징 또는 관리자의 요청 및 설정에 따라 기설정된 항목별 성능 중 우선순위가 부가된 경우, 우선순위가 부가된 성능이 가장 높은 영상 분석 학습 모델을 전달할 수 있다.
이때, 영상 분석 학습 모델은, 컨볼루션 신경망(CNN) 또는 순환 신경망(RNN)을 이용하는 학습 모델일 수 있다.
한편, 본 발명의 일 실시예에 따른 영상 모니터링 방법은, 영상 수집부가, 특정 영역에 대한 영상 데이터를 수집하는 단계; 영상 분석부가, 영상 데이터를 기반으로 특정 영역에서 차량 또는 사람을 감지하고, 감지 결과를 텍스트 데이터로 변환하는 단계; 및 제1 통신부가, 텍스트 데이터를 별도로 마련되는 영상 모니터링 서버에 전달하는 단계;를 포함한다.
이에 의해, 영상 데이터를 수집하기 위해 카메라와 같은 영상 수집 수단이 영상을 분석하고, 분석 결과를 텍스트화하여 서버에 전달함으로써, 통신망의 대역폭을 절감시킬 수 있으며, 영상 저장을 위한 스토리지의 낭비를 방지할 수 있다.
또한, 영상 수집 수단이 이용하는 영상 분석 학습 모델의 성능 검증을 주기적으로 수행하고, 성능이 임계치 미만인 경우, 새로운 영상 분석 학습 모델로 대체함으로써, 영상 수집 수단의 영상 분석 성능이 안정적으로 유지되도록 할 수 있다.
도 1은 본 발명의 일 실시예에 따른 영상 모니터링 시스템의 설명에 제공된 도면,
도 2는 본 발명의 일 실시예에 따른 영상 모니터링 장치의 더욱 상세한 설명에 제공된 도면,
도 3은 본 발명의 일 실시예에 따른 영상 모니터링 서버의 더욱 상세한 설명에 제공된 도면,
도 4는 본 발명의 일 실시예에 따른 영상 모니터링 방법의 설명에 제공된 흐름도, 그리고
도 5는 본 발명의 일 실시예에 따른 영상 모니터링 방법의 더욱 상세한 설명에 제공된 도면이다.
도 2는 본 발명의 일 실시예에 따른 영상 모니터링 장치의 더욱 상세한 설명에 제공된 도면,
도 3은 본 발명의 일 실시예에 따른 영상 모니터링 서버의 더욱 상세한 설명에 제공된 도면,
도 4는 본 발명의 일 실시예에 따른 영상 모니터링 방법의 설명에 제공된 흐름도, 그리고
도 5는 본 발명의 일 실시예에 따른 영상 모니터링 방법의 더욱 상세한 설명에 제공된 도면이다.
이하에서는 도면을 참조하여 본 발명에 대해 보다 상세히 설명하기로 한다. 이하에 소개되는 실시예들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다. 본 발명은 이하 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다.
도 1은 본 발명의 일 실시예에 따른 영상 모니터링 시스템의 설명에 제공된 도면이다.
도 1을 참조하면, 본 실시예에 따른 영상 모니터링 시스템은, 복수로 마련되되, 차량 또는 사람을 감지하고자 영역별로 각각 설치되어, 영상 데이터를 수집하여 분석하고, 분석 결과를 텍스트화하는 영상 모니터링 장치(100)와 영상 모니터링 장치(100)로부터 분석 결과가 텍스트화된 텍스트 데이터를 수신하는 모니터링 서버(200)로 구성될 수 있다.
이때, 복수의 영상 모니터링 장치(100)와 영상 모니터링 서버(200)는, 텍스트 데이터를 로라(LoRa) 통신망을 이용하여 송수신할 수 있으며, 모니터링 서버(200)의 요청 시, 각각의 영상 모니터링 장치(100)는 이더넷(Ethernet) 망 또는 LTE, 5G 등을 이용하여 개별적으로 영상 데이터를 모니터링 서버(200)에 전달할 수 있다.
영상 모니터링 장치(100)는 영상 데이터를 저장하는 저장 수단의 저장 용량이 제한됨에 따라, 주기적으로 영상 데이터를 삭제하게 되며, 영상 데이터 삭제시에는, 분석 결과가 텍스트 데이터로 변환된 영상 데이터 중 수집 시기가 가정 오래된 영상 데이터부터 차례대로 삭제될 수 있다.
영상 모니터링 서버(200)는, 영상 분석 학습 모델을 학습시켜 각각의 영상 모니터링 장치(100)에 제공하고, 각각의 영상 모니터링 장치(100)에서 이용 중인 영상 분석 학습 모델의 성능 검증을 위해, 성능 검증에 이용 가능한 표준 영상 데이터를 생성하여 각각의 영상 모니터링 장치(100)에 전달할 수 있다.
또한, 영상 모니터링 서버(200)는, 성능 검증 결과, 임계치 미만으로 판별되는 영상 분석 학습 모델을 새로운 영상 분석 학습 모델로 갱신시키기 위해, 임계치 미만으로 판별되는 영상 분석 학습 모델을 이용 중인 영상 모니터링 장치(100)에 새로운 영상 분석 학습 모델을 전달할 수 있다.
그리고 영상 모니터링 서버(200)는, 복수의 영상 분석 학습 모델을 학습시킨 후, 기설정된 항목별 성능을 비교하여, 항목별로 성능이 가장 높은 영상 분석 학습 모델을 분리하여 저장하고, 영상 분석 학습 모델의 성능이 임계치 미만인 영상 분석부(120)에 성능이 가장 높은 영상 분석 학습 모델을 전달할 수 있다.
이때, 기설정된 항목별 성능은, 유동량 분석 성능, 차량 속도 산출 성능, 차량 밀집도 산출 성능 및 차량 종류 분류 성능 중 적어도 둘 이상이 포함될 수 있다.
예를 들면, 영상 모니터링 서버(200)는, 영상 분석부(120)가 설치된 영역의 지리적 특징 또는 관리자의 요청 및 설정에 따라 기설정된 항목별 성능 중 우선순위가 부가된 경우, 우선순위가 부가된 성능이 가장 높은 영상 분석 학습 모델을 전달할 수 있다.
도 2는 본 발명의 일 실시예에 따른 영상 모니터링 장치(100)의 더욱 상세한 설명에 제공된 도면이다.
본 실싱에 따른 영상 모니터링 장치(100)는 영상 데이터를 수집하여 분석하고, 분석 결과를 텍스트화하여 영상 모니터링 서버(200)에 전달하기 위해, 영상 수집부(110), 영상 분석부(120), 제1 통신부(130), 제2 통신부(140) 및 제1 저장부(150)를 포함할 수 있다.
영상 수집부(110)는 카메라와 같은 촬영 수단으로 구현되어, 특정 영역의 영상 데이터를 수집할 수 있다.
영상 분석부(120)는, 영상 데이터를 기반으로 특정 영역에서 차량 또는 사람을 감지하고, 감지 결과를 텍스트 데이터로 변환시킬 수 있다.
구체적으로, 영상 분석부(120)는, 영상 데이터가 입력되면, 컨볼루션 신경망(CNN) 또는 순환 신경망(RNN)과 같은 딥러닝을 기반으로 학습된 영상 분석 학습 모델을 이용하여 차량 또는 사람을 감지하고, 감지 결과를 텍스트 데이터로 변환시킬 수 있다.
또한, 영상 분석부(120)는, 영상 분석 학습 모델을 이용하여 차량 또는 사람의 유동량 분석, 차량 속도 산출, 차량 밀집도 산출 및 차량 종류 분류 등을 수행할 수 있다.
제1 통신부(130)는, 로라(LoRa) 통신모듈이 구비되어, 텍스트 데이터를 별도로 마련되는 영상 모니터링 서버(200)에 전달할 수 있으며, 제2 통신부(140)는, 이더넷(Ethernet) 망 또는 LTE, 5G 등을 이용하는 무선 통신모듈이 구비되어, 영상 모니터링 서버(200)의 요청 시, 영상 데이터를 전달하는 영상 모니터링 서버(200)에 전달할 수 있다.
제1 저장부(150)는, 영상 분석부(120)가 동작함에 있어 필요한 프로그램 및 데이터를 저장하기 위한 저장매체로서, 수집된 영상 데이터 및 영상 분석에 이용되는 영상 분석 학습 모델 등이 저장된다,
도 3은 본 발명의 일 실시예에 따른 영상 모니터링 서버(200)의 더욱 상세한 설명에 제공된 도면이다.
본 실시예에 따른 영상 모니터링 서버(200)는, 영상 분석 학습 모델을 학습시켜 각각의 영상 모니터링 장치(100)에 제공하고, 영상 분석 학습 모델의 성능 검증에 이용 가능한 표준 영상 데이터를 생성하여 각각의 영상 모니터링 장치(100)에 전달하고, 성능 검증 결과, 임계치 미만으로 판별되는 영상 분석 학습 모델을 새로운 영상 분석 학습 모델로 갱신시키기 위해, 임계치 미만으로 판별되는 영상 분석 학습 모델을 이용 중인 영상 모니터링 장치(100)에 새로운 영상 분석 학습 모델을 전달할 수 있다.
이를 위해, 영상 모니터링 서버(200)는, 제3 통신부(210), 제4 통신부(220), 프로세서(230) 및 제2 저장부(240)를 포함할 수 있다.
제3 통신부(210)는, 로라(LoRa) 통신모듈이 구비되어, 로라(LoRa) 통신 방식으로 제1 통신부(130)와 연결되어, 텍스트 데이터를 수신할 수 있다.
구체적으로, 제1 통신부(130)와 제3 통신부(210) 간에는 IoT 플랫폼이 마련되어, 이벤트를 감지하거나 기설정된 주기가 도래할 때마다, IoT 플랫폼을 거쳐 텍스트 데이터의 송수신이 수행될 수 있다.
제4 통신부(220)는, 이더넷(Ethernet) 망 또는 LTE, 5G 등을 이용하는 무선 통신모듈이 구비되어, 영상 모니터링 장치(100)로부터 영상을 수신하거나 영상 모니터링 장치(100)에 표준 영상 데이터 및 영상 분석 학슴 모델을 전달할 수 있다.
프로세서(230)는, 영상 분석 학습 모델을 학습시켜 각각의 영상 모니터링 장치(100)에 제공하고, 영상 분석 학습 모델의 성능 검증에 이용 가능한 표준 영상 데이터를 생성할 수 있다.
그리고 프로세서(230)는, 성능 검증 결과, 임계치 미만으로 판별되는 영상 분석 학습 모델을 이용 중인 영상 모니터링 장치(100)에 새로운 영상 분석 학습 모델이 전달되도록 할 수 있다.
제2 저장부(240)는, 프로세서(230)가 동작함에 있어 필요한 프로그램 및 데이터를 저장할 수 있는 저장매체이다.
도 4는 본 발명의 일 실시예에 따른 영상 모니터링 방법의 설명에 제공된 흐름도이다.
본 실시에에 따른 영상 모니터링 방법은, 영상 모니터링 장치(100)가 특정 영역에 대한 영상 데이터를 수집하면(S410), 딥러닝 기반의 영상 분석 학습 모델을 이용하여 수집된 영상 데이터를 직접 분석하여, 영상 데이터를 기반으로 특정 영역에서 차량 또는 사람을 감지하고, 차량 또는 사람의 유동량 분석, 차량 속도 산출, 차량 밀집도 산출 및 차량 종류 분류 등을 수행하여, 분석 결과를 텍스트 데이터로 변환할 수 있다(S420).
그리고 영상 모니터링 장치(100)가 변환된 텍스트 데이터를 영상 모니터링 서버(200)에 전달함으로써(S430), 영상 모니터링 장치(100)와 영상 모니터링 서버(200) 간 통신망의 대역폭을 절감시킬 수 있으며, 영상 모니터링 서버(200)의 스토리지의 낭비를 방지할 수 있다.
도 5는 본 발명의 일 실시예에 따른 영상 모니터링 방법의 더욱 상세한 설명에 제공된 도면이다.
본 실시에에 따른 영상 모니터링 방법은, 전술한 바와 같이 영상 모니터링 장치(100)가 영상 데이터의 분석 결과를 텍스트 데이터로 변환하여 영상 모니터링 서버(200)에 전달할 뿐만 아니라 추가적으로 영상 수집 수단이 이용하는 영상 분석 학습 모델의 성능 검증을 주기적으로 수행하고, 성능이 임계치 미만인 경우, 새로운 영상 분석 학습 모델로 대체되도록 할 수 있다.
구체적으로, 영상 모니터링 서버(200)는, 각각의 영상 모니터링 장치(100)에서 이용 중인 영상 분석 학습 모델의 성능 검증에 이용 가능한 표준 영상 데이터를 생성하여 각각의 영상 모니터링 장치(100)에 전달할 수 있다(S510).
표준 영상 데이터가 수신되면, 영상 모니터링 장치(100)는, 수신된 표준 영상 데이터를 이용하여 학습된 영상 분석 학습 모델의 성능을 검증하게 된다(S520).
그리고 영상 모니터링 장치(100)는, 표준 영상 데이터를 이용하여 검증된 영상 분석 학습 모델의 성능이 임계치 미만인 경우(S530-Yes), 성능이 임계치 미만인 영상 분석 학습 모델을 폐기하고(S540), 영상 모니터링 서버(200)로부터 새로운 영상 분석 학습 모델을 수신하게 된다(S550).
즉, 영상 모니터링 장치(100)는, 임계치 미만으로 판별되는 영상 분석 학습 모델을 새로운 영상 분석 학습 모델로 갱신시켜, 영상 수집 수단의 영상 분석 성능이 안정적으로 유지되도록 할 수 있다.
또한, 영상 모니터링 서버(200)는, 복수의 영상 분석 학습 모델을 학습시킨 후, 유동량 분석 성능, 차량 속도 산출 성능, 차량 밀집도 산출 성능 및 차량 종류 분류 성능 중 적어도 둘 이상을 비교하여, 항목별로 성능이 가장 높은 영상 분석 학습 모델을 분리하여 저장하고, 영상 분석 학습 모델의 성능이 임계치 미만인 영상 분석부(120)에 성능이 가장 높은 영상 분석 학습 모델을 전달할 수 있다.
예를 들면, 영상 모니터링 서버(200)는, 영상 분석부(120)가 설치된 영역의 지리적 특징 또는 관리자의 요청 및 설정에 따라 유동량 분석 성능, 차량 속도 산출 성능, 차량 밀집도 산출 성능 및 차량 종류 분류 성능 중 우선순위가 부가된 경우, 우선순위가 부가된 성능이 가장 높은 영상 분석 학습 모델을 전달할 수 있다.
이를 통해, 각각의 영상 모니터링 장치(100)는, 설치된 영역의 지리적 특징 또는 관리자의 요청 및 설정 등이 반영되어, 우선적으로 필요한 분석 성능이 가장 우수한 영상 분석 학습 모델을 이용할 수 있다.
이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
100 : 영상 모니터링 장치
110 : 영상 수집부
120 : 영상 분석부
130 : 제1 통신부
140 : 제2 통신부
150 : 제1 저장부
200 : 영상 모니터링 서버
210 : 제3 통신부
220 : 제4 통신부
230 : 프로세서
240 : 제2 저장부
110 : 영상 수집부
120 : 영상 분석부
130 : 제1 통신부
140 : 제2 통신부
150 : 제1 저장부
200 : 영상 모니터링 서버
210 : 제3 통신부
220 : 제4 통신부
230 : 프로세서
240 : 제2 저장부
Claims (10)
- 특정 영역에 대한 영상 데이터를 수집하는 영상 수집부;
영상 데이터를 기반으로 특정 영역에서 차량 또는 사람을 감지하고, 감지 결과를 텍스트 데이터로 변환하는 영상 분석부;
텍스트 데이터를 별도로 마련되는 영상 모니터링 서버에 전달하는 제1 통신부; 및
영상 모니터링 서버의 요청 시, 영상 데이터를 전달하는 영상 모니터링 서버에 전달하는 제2 통신부;를 포함하고,
영상 분석부는,
영상 데이터가 입력되면, 딥러닝을 기반으로 학습된 영상 분석 학습 모델을 이용하여 차량 또는 사람을 감지하며,
영상 분석부는,
제2 통신부를 통해 영상 모니터링 서버로부터 표준 영상 데이터를 수신하고, 수신된 표준 영상 데이터를 이용하여 학습된 영상 분석 학습 모델의 성능을 검증하며,
영상 분석부는,
표준 영상 데이터를 이용하여 검증된 영상 분석 학습 모델의 성능이 임계치 미만인 경우, 성능이 임계치 미만인 영상 분석 학습 모델을 폐기하고, 영상 모니터링 서버로부터 새로운 영상 분석 학습 모델을 수신하고,
영상 모니터링 서버는,
복수의 영상 분석 학습 모델을 학습시킨 후, 기설정된 항목별 성능을 비교하여, 항목별로 성능이 가장 높은 영상 분석 학습 모델을 분리하여 저장하고,
기설정된 항목별 성능은,
유동량 분석 성능, 차량 속도 산출 성능, 차량 밀집도 산출 성능 및 차량 종류 분류 성능 중 적어도 둘 이상이 포함되는 것을 특징으로 하는 영상 모니터링 시스템.
- 청구항 1에 있어서,
제1 통신부는,
IoT 통신을 위하여, 로라(LoRa) 통신모듈이 구비되는 것을 특징으로 하는 영상 모니터링 시스템.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 청구항 1에 있어서,
영상 모니터링 서버는,
표준 영상 데이터를 이용하여 검증된 영상 분석 학습 모델의 성능이 임계치 미만인 영상 분석부에 성능이 가장 높은 영상 분석 학습 모델을 전달하되,
영상 분석부가 설치된 영역의 지리적 특징 또는 관리자의 요청 및 설정에 따라 기설정된 항목별 성능 중 우선순위가 부가된 경우, 우선순위가 부가된 성능이 가장 높은 영상 분석 학습 모델을 전달하는 것을 특징으로 하는 영상 모니터링 시스템.
- 청구항 1에 있어서,
영상 분석 학습 모델은,
컨볼루션 신경망(CNN) 또는 순환 신경망(RNN)을 이용하는 학습 모델인 것을 특징으로 하는 영상 모니터링 시스템.
- 영상 수집부가, 특정 영역에 대한 영상 데이터를 수집하는 단계;
영상 분석부가, 영상 데이터를 기반으로 특정 영역에서 차량 또는 사람을 감지하고, 감지 결과를 텍스트 데이터로 변환하는 단계;
제1 통신부가, 텍스트 데이터를 별도로 마련되는 영상 모니터링 서버에 전달하는 단계; 및
제2 통신부가, 영상 모니터링 서버의 요청 시, 영상 데이터를 전달하는 영상 모니터링 서버에 전달하는 단계;를 포함하고,
영상 분석부는,
영상 데이터가 입력되면, 딥러닝을 기반으로 학습된 영상 분석 학습 모델을 이용하여 차량 또는 사람을 감지하며,
영상 분석부는,
제2 통신부를 통해 영상 모니터링 서버로부터 표준 영상 데이터를 수신하고, 수신된 표준 영상 데이터를 이용하여 학습된 영상 분석 학습 모델의 성능을 검증하며,
영상 분석부는,
표준 영상 데이터를 이용하여 검증된 영상 분석 학습 모델의 성능이 임계치 미만인 경우, 성능이 임계치 미만인 영상 분석 학습 모델을 폐기하고, 영상 모니터링 서버로부터 새로운 영상 분석 학습 모델을 수신하고,
영상 모니터링 서버는,
복수의 영상 분석 학습 모델을 학습시킨 후, 기설정된 항목별 성능을 비교하여, 항목별로 성능이 가장 높은 영상 분석 학습 모델을 분리하여 저장하고,
기설정된 항목별 성능은,
유동량 분석 성능, 차량 속도 산출 성능, 차량 밀집도 산출 성능 및 차량 종류 분류 성능 중 적어도 둘 이상이 포함되는 것을 특징으로 하는 영상 모니터링 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200034087A KR102311805B1 (ko) | 2020-03-19 | 2020-03-19 | 딥러닝 기반 차량 및 인체 자동 감지용 영상 모니터링 방법 및 이를 이용한 데이터 전송 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200034087A KR102311805B1 (ko) | 2020-03-19 | 2020-03-19 | 딥러닝 기반 차량 및 인체 자동 감지용 영상 모니터링 방법 및 이를 이용한 데이터 전송 방법 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210117637A KR20210117637A (ko) | 2021-09-29 |
KR102311805B1 true KR102311805B1 (ko) | 2021-10-12 |
Family
ID=77925086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200034087A KR102311805B1 (ko) | 2020-03-19 | 2020-03-19 | 딥러닝 기반 차량 및 인체 자동 감지용 영상 모니터링 방법 및 이를 이용한 데이터 전송 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102311805B1 (ko) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114743163B (zh) * | 2022-04-29 | 2023-02-10 | 北京容联易通信息技术有限公司 | 一种基于深度学习的视频智能监控算法架构方法和*** |
CN115578862B (zh) * | 2022-10-26 | 2023-09-19 | 中国建设基础设施有限公司 | 交通流量转换方法、装置、计算设备和存储介质 |
CN117690303B (zh) * | 2024-02-04 | 2024-04-26 | 四川三元环境治理股份有限公司 | 一种基于交通数据采集的噪声预警***、装置及预警方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101350882B1 (ko) * | 2012-05-21 | 2014-01-16 | 전자부품연구원 | 영상 분석 서버 |
KR101850286B1 (ko) * | 2017-06-27 | 2018-04-19 | 한국기술교육대학교 산학협력단 | 딥 러닝 기반 cctv용 영상 인식 방법 |
KR101942491B1 (ko) * | 2018-11-08 | 2019-04-11 | 주식회사 싸인텔레콤 | 도로교통 상황 모니터링 관제·실시간 교통정보 분석·교통신호제어로 이루어진 인공지능형 cctv통합관제중개제어모듈을 갖는 cctv통합관제센터시스템 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101438492B1 (ko) | 2013-05-14 | 2014-09-12 | 서울여자대학교 산학협력단 | 위반차량 단속을 위한 영상 인식 시스템 및 그 방법 |
KR101967610B1 (ko) | 2018-07-27 | 2019-08-13 | 주식회사 위드텍 | 다차로 차량속도 및 차량번호 인식이 가능한 다차로 모니터링 시스템 |
-
2020
- 2020-03-19 KR KR1020200034087A patent/KR102311805B1/ko active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101350882B1 (ko) * | 2012-05-21 | 2014-01-16 | 전자부품연구원 | 영상 분석 서버 |
KR101850286B1 (ko) * | 2017-06-27 | 2018-04-19 | 한국기술교육대학교 산학협력단 | 딥 러닝 기반 cctv용 영상 인식 방법 |
KR101942491B1 (ko) * | 2018-11-08 | 2019-04-11 | 주식회사 싸인텔레콤 | 도로교통 상황 모니터링 관제·실시간 교통정보 분석·교통신호제어로 이루어진 인공지능형 cctv통합관제중개제어모듈을 갖는 cctv통합관제센터시스템 |
Also Published As
Publication number | Publication date |
---|---|
KR20210117637A (ko) | 2021-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102311805B1 (ko) | 딥러닝 기반 차량 및 인체 자동 감지용 영상 모니터링 방법 및 이를 이용한 데이터 전송 방법 | |
CN112348992B (zh) | 基于车路协同***的车载视频处理方法、装置及存储介质 | |
US7630515B2 (en) | Method of and apparatus for setting image-capturing conditions, and computer program | |
CN102945603B (zh) | 检测交通事件的方法及电子警察装置 | |
CN113706737B (zh) | 基于自动驾驶车辆的路面巡检***及方法 | |
US10203217B2 (en) | Traffic citation delivery based on type of traffic infraction | |
CN111105621B (zh) | 一种检测违章停车的方法及装置 | |
CN103150899B (zh) | 监测道路交通信息的方法、装置及*** | |
US20110309950A1 (en) | Method and system for traffic condition detection | |
CN103268703A (zh) | 公交专用道抓拍*** | |
KR101626377B1 (ko) | Cctv와 차량내 블랙박스를 활용한 빅데이터 기반의 불법 주정차 단속 시스템 | |
KR101678004B1 (ko) | 노드-링크 기반 카메라 네트워크 통합 감시 시스템 및 감시 방법 | |
CN110288823B (zh) | 一种基于朴素贝叶斯网络的交通违章误判识别方法 | |
WO2022127273A1 (zh) | 基于wifi6的交通信息获取方法及*** | |
US11948373B2 (en) | Automatic license plate recognition | |
KR101542564B1 (ko) | 존-검지 체계 기반 교통안전 관리 시스템 | |
CN114078319A (zh) | 一种检测交通事故隐患地点的方法及装置 | |
CN116128360A (zh) | 道路交通拥堵等级评估方法、装置、电子设备及存储介质 | |
KR102309106B1 (ko) | 상황 연계형 영상분석장치 | |
CN112447042B (zh) | 交通事件侦测***及方法 | |
CN101540102A (zh) | 检测车辆违法占道的装置及方法 | |
CN111898434B (zh) | 一种视频侦测分析*** | |
CN113850112A (zh) | 基于孪生神经网络的路况识别方法和*** | |
CN113850111A (zh) | 基于语义分割和神经网络技术的路况识别方法和*** | |
KR100479905B1 (ko) | 차량 식별 기기 및 이를 채용한 차량 식별 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |